ARD Sounds Scraper v2

Automatischer Download von Hörbuch-Serien aus ARD Sounds (früher ARD Audiothek), dem Audio-Angebot des öffentlich-rechtlichen Rundfunks, mit Episoden-Erkennung und Dateiorganisation.

Zweck

Dieses Tool lädt Hörbuch-Serien von ARD Sounds herunter und organisiert sie automatisch in sauberen Verzeichnisstrukturen mit Metadaten.

Voraussetzungen

pip install playwright requests --break-system-packages
playwright install chromium

Verwendung

Basis-Verwendung

python mediathek_scrape.py <URL>

Beispiel (mit einem Alias, etwa alias radiodl='python3 /pfad/zu/mediathek_scrape.py'):

$ radiodl https://www.ardsounds.de/sendung/schoene-gruesse-reisegeschichten-hoerbuecher/urn:ard:show:74d7b0bc3fb5869a/

Eine Übersicht der Hörbücher steht unter https://www.ardsounds.de/rubrik/hoerbuch-108/.

Interaktive Verwendung

Ohne URL-Parameter startet das Script interaktiv:

python mediathek_scrape.py
# Enter URL: <URL hier eingeben>

Ausgabe-Struktur

Single-Series Page

Patrick Modiano - Die Tänzerin/
├── Patrick Modiano - Die Tänzerin - Teil 01.mp3
├── Patrick Modiano - Die Tänzerin - Teil 02.mp3
├── Patrick Modiano - Die Tänzerin - Teil 03.mp3
├── cover.jpg
└── info.txt

Multi-Series Page (z.B. Lesungen-Sammlungen)

Lesungen/
├── Carlo Collodi - Pinocchio/
│   ├── Carlo Collodi - Pinocchio - Teil 01.mp3
│   ├── Carlo Collodi - Pinocchio - Teil 02.mp3
│   ├── info.txt
│   └── cover.jpg
├── Jean Paul - Leben des vergnügten Schulmeisterlein Maria Wutz/
│   ├── Jean Paul - Leben des vergnügten Schulmeisterlein Maria Wutz - Teil 01.mp3
│   ├── Jean Paul - Leben des vergnügten Schulmeisterlein Maria Wutz - Teil 02.mp3
│   └── info.txt
├── Robert Louis Stevenson - Das Nachtquartier.mp3
└── cover.jpg

Features

✅ Automatische Titel-Erkennung

• Extrahiert Autor und Werktitel aus verschiedenen Formaten
• Entfernt automatisch Lesenden-Info ("gelesen von...")
• Bereinigt Sonderzeichen und Nummerierungen

✅ Intelligente Gruppierung

• Erkennt mehrteilige Serien automatisch
• Gruppiert Episoden nach Werk und Autor
• Erstellt bei Bedarf separate Unterverzeichnisse

✅ Metadaten-Extraktion

• Erstellt info.txt mit Serien-Beschreibung
• Speichert Episode-Beschreibungen
• Verlinkt zurück zur Quell-URL

✅ Trailer/Talk-Filterung

• Überspringt automatisch Trailer und Talk-Episoden
• Konzentriert sich auf die eigentlichen Hörbuch-Folgen

✅ Download-Optimierung

• Überspringt bereits vorhandene Dateien
• Zeigt Fortschritt pro Episode
• Robuste Fehlerbehandlung

info.txt Format

Serie: Patrick Modiano - Die Tänzerin
Autor: Patrick Modiano
Werk: Die Tänzerin

Beschreibung:
Der französische Literaturnobelpreisträger beschwört Erinnerungen an eine ungreifbare Frau: Die Tänzerin. Eine schwebende Liebesgeschichte in einem versunkenen Paris. Gelesen von Michael Rotschopf. Übersetzt von Elisabeth Edl - Verfügbar bis 28. Juli 2026

Quelle: Patrick Modiano - "Die Tänzerin"
URL: https://www.ardsounds.de/sendung/patrick-modiano-die-taenzerin/urn:ard:show:37d3e49d93556635/
Episoden: 5/5

Heruntergeladene Episoden:
  - Teil 01: Eine zufällige Begegnung auf der Straße ruft die Erinnerung...
  - Teil 02: Ein älterer Mann durchstreift Paris und hängt seinen Erinner...
  - Teil 03: Patrick Modiano, der 2025 80. Geburtstag feiert, gehört zu d...
  - Teil 04: Der schüchterne Verehrer der Tänzerin trifft auf ihren viril...
  - Teil 05: Der Roman zeigt in Überblendungen Paris um 1960 und heute. D...

Bekannte Einschränkungen

• Cookie-Dialog: Wird automatisch erkannt und akzeptiert (Timeout: 5 Sekunden)
• Browser: Läuft mit sichtbarem Browser-Fenster (headless=False)
• Netzwerk: Erfordert aktive Internetverbindung
• Dateisystem: Erstellt Verzeichnisse im aktuellen Arbeitsverzeichnis

Fehlerbehandlung

Das Script:

• Überspringt Episoden, deren Audio-URL nicht extrahiert werden kann
• Setzt bei Netzwerkfehlern fort (überspringt fehlerhafte Episode)
• Zeigt am Ende Statistik über erfolgreiche/fehlgeschlagene Downloads

Technische Details

• Playwright: Für Browser-Automatisierung und DOM-Interaktion
• Two-Phase Approach:
  • Phase 1: Analysiert Seitenstruktur und Episode-Gruppierung
  • Phase 2: Lädt Episoden herunter (vermeidet stale DOM references)
• Scroll-basiert: Scrollt durch Seite für lazy-loaded Content
• Fresh DOM Access: Sucht Container in jedem Scroll-Durchlauf neu

Ausgabe während des Laufs

Loading page...
============================================================
Processing: Patrick Modiano - "Die Tänzerin"
============================================================
📄 Found series description: Der französische Literaturnobelpreisträger...
============================================================
PHASE 1: ANALYZING PAGE STRUCTURE
============================================================
📊 Found 5 episodes
📚 Found 1 series:
  - Patrick Modiano - Die Tänzerin (5 episodes)
============================================================
PHASE 2: DOWNLOADING EPISODES
============================================================
  ⬇️  Patrick Modiano - Die Tänzerin - Teil 01.mp3
  ⬇️  Patrick Modiano - Die Tänzerin - Teil 02.mp3
  ...
============================================================
✅ Download complete!
   Downloaded: 5
   Skipped (already exist): 0
============================================================

📄 Creating info files...
  📄 Created info.txt

📷 Downloading cover image...

Entwicklung

Siehe ard_audiothek_patterns.md für Details zu erkannten Titel-Formaten und HTML-Struktur.